基于边缘计算的用电设备识别方法、系统、设备及介质与流程

本公开涉及办公建筑物联网用电设备识别
技术领域：
，特别是涉及一种基于边缘计算的用电设备识别方法、系统、设备及介质。
背景技术：
：本部分的陈述仅仅是提到了与本公开相关的
背景技术：
，并不必然构成现有技术。在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：用电设备的市场广阔，各厂家生产的电器都有自己的一套标准，无法将所有的设备标准统一规范起来，这也就造成无法使所有的设备使用统一的协议连接到物联网上，不能实现智能化的设备管理。目前，在建筑领域的设备识别，大多数依赖于检测装置一对一的收集用电设备的数据，然后通过采集模块上传到服务器端进行存储和应用。这种方式需要在用户侧安装大量的硬件模块，不仅安装成本高，维护繁琐，而且对于用户来说体验感很差。设备的数据采集，目前大多数针对于设备的电能和功率数据，但是，有些用电设备的耗电量很小，在每小时内的耗电精度达到0.001，这对于数据采集装置的要求很高；分类模型无法分类新设备的数据，当有新设备出现时，分类模型不再适用且无法自学习，设备识别准确度将会大大降低。技术实现要素：为了解决现有技术的不足，本公开提供了基于边缘计算的用电设备识别方法、系统、设备及介质；第一方面，本公开提供了一种基于边缘计算的用电设备识别方法；基于边缘计算的用电设备识别方法，应用于智能检测终端，将智能检测终端视为建筑物联网的边缘计算设备；包括：从建筑物内入户侧主电路上采集待识别用电设备的电气参数数据；从采集的待识别用电设备的电气参数数据中提取各次谐波和电流信息，将得到的各次谐波信息与电流值组合成第一一维矩阵；将所述第一一维矩阵与房间设备特征库进行相似性匹配；如果匹配成功，则从房间设备特征库内选出与所述第一一维矩阵相似度最高的已知设备类型，作为第一一维矩阵对应的设备类型标签；如果匹配失败，则判定待识别用电设备为组合用电设备或新设备；进入下一步；将房间设备特征库中不同类型设备进行组合，得到组合设备特征库；将组合设备特征库中每个组合下的不同设备特征参数进行参数合成；从合成数据中将每组组合设备的各次谐波和电流值组成第二一维矩阵；将第一一维矩阵与每组组合设备对应的第二一维矩阵进行相似性匹配；如果匹配成功，则从组合设备特征库中选出与所述第一一维矩阵相似度最高的已知组合设备，输出已知组合设备对应的设备类型标签。第二方面，本公开还提供了一种基于边缘计算的用电设备识别系统；基于边缘计算的用电设备识别系统，应用于智能检测终端，将智能检测终端视为建筑物联网的边缘计算设备；包括：采集模块，其被配置为：从建筑物内入户侧主电路上采集待识别用电设备的电气参数数据；提取模块，其被配置为：从采集的待识别用电设备的电气参数数据中提取各次谐波和电流信息，将得到的各次谐波信息与电流值组合成第一一维矩阵；第一相似性匹配模块，其被配置为：将所述第一一维矩阵与房间设备特征库进行相似性匹配；如果匹配成功，则从房间设备特征库内选出与所述第一一维矩阵相似度最高的已知设备类型，作为第一一维矩阵对应的设备类型标签；如果匹配失败，则判定待识别用电设备为组合用电设备或新设备；进入组合模块；组合模块，其被配置为：将房间设备特征库中不同类型设备进行组合，得到组合设备特征库；将组合设备特征库中每个组合下的不同设备特征参数进行参数合成；从合成数据中将每组组合设备的各次谐波和电流值组成第二一维矩阵；第二相似性匹配模块，其被配置为：将第一一维矩阵与每组组合设备对应的第二一维矩阵进行相似性匹配；如果匹配成功，则从组合设备特征库中选出与所述第一一维矩阵相似度最高的已知组合设备，输出已知组合设备对应的设备类型标签。第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。与现有技术相比，本公开的有益效果是：该方法将检测设备参数的智能检测终端安装在入户侧的总线路内，利用边缘计算的技术和优势将使用相似性分析和用户标记等方法识别室内设备，达到不间断的监测用户设备状态的目的；边缘计算是在入户侧的智能终端中进行算法计算，减少响应时间，减轻云端压力，对实时性和可靠性的优化效果显著。本方法的所有计算都需要在边缘计算层实现。通过将采集的数据与房间设备特征库进行比较，输出房间已有设备的设备类型；通过将采集的数据与组合设备特征库进行比较，输出组合设备的设备类型；通过将采集的数据与建筑设备特征库进行距离计算，输出新设备的设备类型；该方法可以有效降低设备识别的硬件成本，在最低成本下获取较为具体的数据，并能依靠物联网、边缘计算和用户的干预准确、快速的识别每个智能检测终端对应的所有设备的实时状态，并能统计每个设备的历史使用时间。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1为本公开实施例一的系统结构图；图2为本公开实施例一的数据库模型图；图3为本公开实施例一的设备识别数据流程图。具体实施方式应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步地说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
技术领域：
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。不同设备的不同状态之间有唯一的负荷特征，在建筑内部的设备种类比较固定且数量较少，每个房间内的设备的类型较为统一；在物联网大数据的环境下为关联分析设备特征和识别设备提供了便利的条件，可以有效捕捉参数变化情况，可以有效抓取房间内单设备运行的情况；且可从房间的设备信息引申到多房间的情况，基于数据驱动的方法计算速度快，稳定性高，鲁棒性强。实施例一，本实施例提供了基于边缘计算的用电设备识别方法；基于边缘计算的用电设备识别方法，应用于智能检测终端，将智能检测终端视为建筑物联网的边缘计算设备；包括：s1：从建筑物内入户侧主电路上采集待识别用电设备的电气参数数据；s2：从采集的待识别用电设备的电气参数数据中提取各次谐波和电流信息，将得到的各次谐波信息与电流值组合成第一一维矩阵；s3：将所述第一一维矩阵与房间设备特征库进行相似性匹配；如果匹配成功，则从房间设备特征库内选出与所述第一一维矩阵相似度最高的已知设备类型，作为第一一维矩阵对应的设备类型标签；如果匹配失败，则判定待识别用电设备为组合用电设备或新设备；进入步骤s4；s4：将房间设备特征库中不同类型设备进行组合，得到组合设备特征库；将组合设备特征库中每个组合下的不同设备特征参数进行参数合成；从合成数据中将每组组合设备的各次谐波和电流值组成第二一维矩阵；将第一一维矩阵与每组组合设备对应的第二一维矩阵进行相似性匹配；如果匹配成功，则从组合设备特征库中选出与所述第一一维矩阵相似度最高的已知组合设备，输出已知组合设备对应的设备类型标签。作为一个或多个实施例，所述方法还包括：如果第一一维矩阵与每组组合设备对应的第二一维矩阵的相似性匹配失败，则进入步骤s5；s5：基于建筑设备特征库、待识别用电设备的第一一维矩阵和knn算法，输出待识别用电设备的设备类型。作为一个或多个实施例，所述步骤s5基于建筑设备特征库、待识别用电设备的第一一维矩阵和knn算法，输出待识别用电设备的设备类型；具体步骤包括：边缘计算设备将待识别用电设备的第一一维矩阵和已知的建筑设备特征库，均输入到knn算法中，进行邻近距离分析，输出划分结果，如果待识别用电设备与已知簇质心的距离在设定距离阈值范围内，则距离最近的簇质心对应的标签即为待识别用电设备的设备类型标签，利用待识别用电设备的设备类型标签更新房间设备特征库；否则，标记待识别用电设备为新设备。最后，边缘计算设备将待识别用电设备的设备类型识别结果通过物联网节点上传给云服务器。应理解的，所述建筑物联网，包括：云服务器，所述云服务器与若干个物联网节点连接，每个物联网节点与若干个智能检测终端连接，每个智能检测终端安装在建筑物内入户侧主电路上。作为一个或多个实施例，所述电气参数数据，包括：电气谐波和电流值，其中电气谐波为各次谐波的结合。作为一个或多个实施例，各次谐波信息，包括：一次谐波、二次谐波、三次谐波等。作为一个或多个实施例，电流值，是指从入户侧主电路上采集的电流值；作为一个或多个实施例，将所述第一一维矩阵与房间设备特征库进行相似性匹配，具体是指计算所述第一一维矩阵与房间设备特征库内不同设备第一一维矩阵的欧式距离。作为一个或多个实施例，匹配成功与匹配失败的衡量标准是，将相似性计算结果与设定阈值进行比较，如果大于设定阈值，则表示匹配成功，否则表示匹配失败。作为一个或多个实施例，房间设备特征库，按照房间划分，包括：当前房间内单个设备的名称及已有设备的电气参数、每个设备类型标签、每个设备对应的电流有效值和每个设备对应的各次谐波。所述特征库如图2所示。作为一个或多个实施例，将房间设备特征库中不同类型设备进行组合，得到组合设备特征库；例如：房间设备特征库中包括：冰箱、彩电、洗衣机、打印机、电脑、空调、热水器及每个设备对应的电气参数；组合设备特征库包括：[冰箱，冰箱的电气参数，彩电，彩电的电气参数]，[冰箱，冰箱的电气参数，洗衣机，洗衣机的电气参数]，[冰箱，冰箱的电气参数，彩电，彩电的电气参数，洗衣机，洗衣机的电气参数]等排列组合。作为一个或多个实施例，将组合设备特征库中每个组合下的不同设备特征参数进行参数合成，例如：将不同设备同相位的周期电流进行向量相加，得到组合参数。作为一个或多个实施例，建筑设备特征库的构建方法，包括：采集电气设备的电气参数值；进行电气参数的预处理，根据电气参数信息，提取各次谐波信息，得到各次谐波与电流值组合的一维矩阵；将电气参数输入到聚类算法中，对组合一维矩阵进行聚类分析，输出簇划分结果；若某类电气设备类型已经被标注，则以已标注的标识作为对应簇的类别标识；若有多个标识信息，则以比重大的类型标识作为当前簇的类别，利用当前簇的类别作为当前簇内其他未分类设备的类别；通过新连接的设备的电气参数与各个簇质心的欧式距离大小确定设备类型。作为一个或多个实施例，建筑设备特征库，包括：聚类结果的簇质心坐标、距离阈值、各个簇被标记的标签、电流有效值和谐波。作为一个或多个实施例，从入户侧主电路上采集待识别用电设备的电气参数数据，通过智能检测终端来检测。所述智能检测终端为智能电表或智能插座。作为一个或多个实施例，智能检测终端采集室内所有使用设备的两个周波数据，由128个点组成，取按正弦规律随时间变化的交变电流的两个周波的均匀分布的点；其表达式为：其中，im为正弦电流所能达到的最大值；ω为正弦电流的相位随时间变化的速度；为正弦电流在t＝0时的相角。将参数数据的两个周波截取当i最大时开始一周波的数据，即相位开始的一个完整周波，该完整周波由64个点组成，进而计算电流有效值和1-32次谐波。进一步地，s2还包括：电气参数数据的预处理；预处理，具体包括噪声处理、缺失值处理和归一化处理。进一步地，将参数数据的两个周波截取当i最大时开始一周波的数据，即相位开始的一个完整周波，该完整周波由64个点组成，作为样本数据。进一步地，利用一个周波的64个点计算电流有效值和32次谐波。进一步地，电流有效值的计算公式如下:将采集的周波数据进行初步数据滤波和fft计算出1到32次谐波ihar1……ihar32。将上述电流有效值和谐波组成1×33维矩阵作为样本数据：d0＝[ihar1…ihar32irms]。进一步地，在建筑物内的不同房间入户侧的总电路上安装智能检测终端，智能检测终端采集室内总电路的两个周波数据，数据预处理之后，利用周波数据计算电流有效值和谐波，将电流有效值和谐波组成第一一维矩阵。进一步地，上述第一一维矩阵先与单个设备的簇质心坐标进行相似性对比，经过knn算法计算欧式距离最小，且在距离阈值范围之内，才确定该设备数据属于该簇；若最小欧式距离超过距离阈值则判定该设备为新设备或者多设备组合而成。进一步地，上述判断该一维矩阵为新设备或者多设备组合而成，将提取房间设备特征库中的所有设备的类型和状态的特征参数做组合，所有组合为：其中n为组合设备特征库中记录的所属室内的设备类型和状态的数量。是在n种设备类型或状态中i种设备类型或状态的组合数量。进一步地，组合的合成，是将组合内设备的从90°相位开始的一周波电流进行向量相加；进一步地，入户侧的智能检测终端检测到室内用电的参数数据，被判定为新设备或者多设备组合而成时，提取从待识别用电设备90°相位开始的一周波电流的64个点，将其与不同组合的合成周波电流的数据进行欧式距离计算：选出最小的d对应的合成数据，该合成数据的原始组合设备情况即为室内设备类型和状态情况。进一步地，若上述方法未查找到相似性参数，则到建筑物的云服务器中查找建筑设备特征库，与库中单个设备的簇质心坐标进行相似性对比，经过knn算法计算欧式距离最小且在距离阈值范围之内，确定该设备数据属于该簇并将识别出的设备类型更新到房间设备特征库；若最小欧式距离超过距离阈值则判定该设备为新设备或者多设备组合而成，更新到房间设备特征库和云服务器的新设备库。进一步地，智能检测终端检测到的房间总电路的参数和识别房间的设备使用情况，实时的通过物联网节点上传到云服务器，依据时间序列存储到设备识别结果数据库中，客户端通过向云服务器请求参数及时查看实时或历史的房间设备的使用情况。进一步地，当设备的参数被判断为新设备或多设备组合之后，当下一次该设备或多设备的参数被采集，进行上述设备识别过程，若被识别出来是多设备组合，则将前步存储在设备识别结果库为新设备的数据表的标签更新为具体的识别类型，并在房间设备特征库和新设备库中删除新设备的参数；若仍未识别出来，保存到设备识别结果库的同一个数据表中。实施例二，本公开还提供了基于边缘计算的用电设备识别系统；如图1所示，基于边缘计算的用电设备识别系统，应用于智能检测终端，将智能检测终端视为建筑物联网的边缘计算设备；包括：采集模块，其被配置为：从建筑物内入户侧主电路上采集待识别用电设备的电气参数数据；提取模块，其被配置为：从采集的待识别用电设备的电气参数数据中提取各次谐波和电流信息，将得到的各次谐波信息与电流值组合成第一一维矩阵；第一相似性匹配模块，其被配置为：将所述第一一维矩阵与房间设备特征库进行相似性匹配；如果匹配成功，则从房间设备特征库内选出与所述第一一维矩阵相似度最高的已知设备类型，作为第一一维矩阵对应的设备类型标签；如果匹配失败，则判定待识别用电设备为组合用电设备或新设备；进入组合模块；组合模块，其被配置为：将房间设备特征库中不同类型设备进行组合，得到组合设备特征库；将组合设备特征库中每个组合下的不同设备特征参数进行参数合成；从合成数据中将每组组合设备的各次谐波和电流值组成第二一维矩阵；第二相似性匹配模块，其被配置为：将第一一维矩阵与每组组合设备对应的第二一维矩阵进行相似性匹配；如果匹配成功，则从组合设备特征库中选出与所述第一一维矩阵相似度最高的已知组合设备，输出已知组合设备对应的设备类型标签。作为一个或多个实施例，所述系统还包括：第二相似性匹配模块，其被配置为：如果第一一维矩阵与每组组合设备对应的第二一维矩阵的相似性匹配失败，则进入输出模块；输出模块，其被配置为：基于建筑设备特征库、待识别用电设备的第一一维矩阵和knn算法，输出待识别用电设备的设备类型。作为一个或多个实施例，所述输出模块，其被配置为：基于建筑设备特征库、待识别用电设备的第一一维矩阵和knn算法，输出待识别用电设备的设备类型；具体步骤包括：边缘计算设备将待识别用电设备的第一一维矩阵和已知的建筑设备特征库，均输入到knn算法中，进行邻近距离分析，输出划分结果，如果待识别用电设备与已知簇质心的距离在设定距离阈值范围内，则距离最近的簇质心对应的标签即为待识别用电设备的设备类型标签，利用待识别用电设备的设备类型标签更新房间设备特征库；否则，标记待识别用电设备为新设备。最后，边缘计算设备将待识别用电设备的设备类型识别结果通过物联网节点上传给云服务器。进一步地，智能检测终端采集房间总电路的参数信息，包括由128个点组成的两个完整周波数据。所述云服务器上的数据库包括设备识别结果库、建筑设备特征库和新设备库；进一步地，数据库中存储有建筑物内每个房间总电路智能检测终端实时上传的设备识别结果以及周波参数、建筑设备特征库和新设备库。进一步地，设备识别结果库按照不同参数识别出的不同结果存储到不同的数据表中，每个识别结果都带有识别时间和采集的实时参数，识别结果也包括新设备在内的基于时间序列的存储。进一步地，建筑设备特征库存储有聚类结果的簇质心坐标、距离阈值、各个簇被标记的标签和各标签对应数据集的周波电流、电流有效值、谐波等。进一步地，新设备库是指，最终识别结果为新设备的参数，将其作为新的单个设备加入到建筑设备特征库中，记录在新设备库中。针对目前对用户室内的用电设备的实时监测问题，改进设备识别仅通过接触式检测装置一对一的检测用电设备的现状，在入户侧的总电路上安装智能检测终端；利用接触式检测的参数建立的建筑设备特征库，通过对实时检测总电路参数的分析并确定室内用电设备运行状态的变化情况。对于构建建筑设备特征库的样本数据集，根据不同簇划分为不同的数据集，计算所属每个簇的数据集与簇质心欧式距离的均值μ和方差σ2：各数据集中的训练数据{mi1……mi33}(为从1到n)与簇质心坐标{c1……c33}的欧式距离为：均值计算公式：方差计算公式：其中{c1……c33}中的ci(1≤i≤33)为1-32次谐波和电流有效值组成的一组一维数据。先将样本数据与房间设备特征库中单个设备的簇质心进行相似性对比，经过knn算法计算欧式距离最小且在距离阈值范围之内，才确定该设备数据属于该簇；若最小欧式距离超过距离阈值则判定该设备为新设备。根据正态分布理论，隶属于每个簇的数据集的分布(近似地)服从正态分布，即随机变量x服从一个数学期望为μ、方差为σ2的正态分布，数据落在正态分布的不同区间内存在如下概率关系：表1区间与概率关系区间(μ-σ2，μ+σ2)(μ-2σ2，μ+2σ2)(μ-3σ2，μ+3σ2)概率0.6830.9540.997在误差允许的范围内，可被正确划分的数据集的概率达到99％即可。因此可选取距离阈值的范围为：(μ-3σ2，μ+3σ2)如图3流程所示，若单个设备的簇质心无法与样本数据建立相似性关系，边缘计算将提取房间设备特征库中的周期电流的64个数据点，将所有的设备进行组合，房间设备特征库中的所有设备的所有情况进行全组合，组合的所有情况包括：将每个组合内的设备从90°相位开始完整一周波数据进行向量相加，得到的64个合成的点，并进一步计算谐波和电流有效值；电流有效值的计算如下:将采集的周波数据进行初步数据滤波和fft计算出1到32次谐波ihar1……ihar32。将上述电流有效值和谐波组成1×33维矩阵作为对比数据：dij＝[ihar1…ihar32irms]其中i为组合的其中一种，j为相似性对比实验的设备特征所属的房间。将其与组合数据进行欧式距离相似性对比，欧式距离计算公式：分别将样本数据与组合数据进行选出最接近的数据组合即为该时刻室内用电设备的使用情况。此系统经过一段时间的运行，会逐步完善室内设备的存储类型，将不断提高识别精度，缩短识别时间；特别对于大功率电器的识别，判别准确率更高。实施例三，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成方法中的各个操作，为了简洁，在此不再赘述。所述电子设备可以是移动终端以及非移动终端，非移动终端包括台式计算机，移动终端包括智能手机(smartphone，如android手机、ios手机等)、智能眼镜、智能手表、智能手环、平板电脑、笔记本电脑、个人数字助理等可以进行无线通信的移动互联网设备。应理解，在本公开中，该处理器可以是中央处理单元cpu，该处理器还算可以是其他通用处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外一点，所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。当前第1页12